CN115731393A - 一种智能化车间安全生产管理方法及系统 - Google Patents

Abstract

本申请涉及一种智能化车间安全生产管理方法及系统，属于安全检测领域，其方法包括：基于预设的目标检测算法和实时获取的待测图像，获取实时车间信息；基于预设的数据可视化管理系统，获取历史车间信息；对预设的管理时间段内的所述历史车间信息进行统计分析，生成每个员工的异常穿戴安全服的异常穿戴值；基于所述异常穿戴值得到每个员工异常穿戴所述安全服的异常概率；将所述异常概率与预设的概率阈值进行比较，得到比较结果；基于所述比较结果和所述实时车间信息，生成报警信息并显示于所述数据可视化管理系统上。本申请具有有效监督车间内的员工穿戴安全工作服的效果。

Description

一种智能化车间安全生产管理方法及系统

技术领域

本申请涉及安全检测领域，尤其是涉及一种智能化车间安全生产管理方法及系统。

背景技术

目前越来越多的工厂开始重视加工车间内的安全生产规范，尤其是无尘车间，例如食品生产车间、医药生产车间、零件制造车间、喷漆车间等，在无尘车间最重要的安全生产规范即为衣着规范。在无尘车间内，若不重视车间内的静电，则可能会造成无尘车间内由于静电吸附灰尘的特性使生产受到影响，例如食品通过静电受到污染等，严重的，无尘车间还可能会发生静电事故，例如粉尘爆炸等，故在无尘车间中，员工穿着安全工作服例如防静电工作服以防止无尘车间内产生静电的措施是十分必要的。

现有技术中，对无尘车间内员工是否遵循穿戴安全工作服的安全生产规范主要通过管理人员的监督来实现，管理人员可通过实地走访或查看监控摄像头的方式检查员工是否穿戴安全工作服。若管理人员在休息间隙或管理出现疏忽，依然可能存在部分员工不遵守穿戴安全工作服的规范，进而使无尘车间存在静电风险，由此申请人认为，通过管理人员监督员工是否穿戴安全工作服的方式，存在监督不到位的问题。

发明内容

为了有效监督车间内的员工穿戴安全工作服，本申请提供一种智能化车间安全生产管理方法及系统。

第一方面，本申请提供的一种智能化车间安全生产管理方法采用如下的技术方案：

一种智能化车间安全生产管理方法，包括：

基于预设的目标检测算法和实时获取的待测图像，获取实时车间信息；

基于预设的数据可视化管理系统，获取历史车间信息；

对预设的管理时间段内的所述历史车间信息进行统计分析，生成每个员工的异常穿戴安全服的异常穿戴值；

基于所述异常穿戴值得到每个员工异常穿戴所述安全服的异常概率；

将所述异常概率与预设的概率阈值进行比较，得到比较结果；

基于所述比较结果和所述实时车间信息，生成报警信息并显示于所述数据可视化管理系统上。

通过采用上述技术方案，采用目标检测算法和数据可视化管理系统对车间内员工是否穿戴安全服进行监督的方式，无需管理人员实地到访并查看摄像头，即可对员工是否穿戴安全服进行实时监督，实现了对车间的智能化生产管理，起到了有效监督车间内的员工穿戴安全工作服的效果。

可选的，所述基于预设的目标检测算法和实时获取的待测图像，获取实时车间信息，包括：

获取所述目标检测算法的原始残差网络；

将所述原始残差网络替换为增强残差网络，以简化所目标检测算法的网络结构；

基于所述待测图像和所述目标检测算法的所述增强残差网络，获取所述实时车间信息。

通过采用上述技术方案，将原始主干网络替换为增强主干网络，以简化目标检测算法的网络结构，从而便于提升目标检测算法的运行速度。

可选的，在所述将所述原始残差网络替换为增强残差网络之后，包括：

在所述目标检测算法中引入局部网络模块CSPNet，以减小所述目标检测算法的计算量。

通过采用上述技术方案，在目标检测算法中引入局部网络模块，用于减小目标检测算法的计算量，进而便于有效提升目标检测算法的运行速度。

可选的，在所述目标检测算法中引入局部网络模块CSPNet之后，包括：

在所述目标检测算法中引入损失函数CIOU，以提高所述增强目标检测算法的算法模型的收敛速度。

通过采用上述技术方案，在目标检测算法中引入损失函数CIOU，提高所述增强目标检测算法的算法模型的收敛速度的同时，进一步有效提升了目标检测算法的运行速度。

可选的，所述历史车间信息包括每日的历史到岗人数和每日的员工对安全服的历史穿戴状态；所述历史穿戴状态包括历史正常状态和历史异常状态；

所述对预设的管理时间段内的所述历史车间信息进行统计分析，生成每个员工的异常穿戴安全服的异常穿戴值，包括：

获取所述管理时间段内每个员工的到岗天数；

获取在所述管理时间段内每日所述历史到岗人数对应的人员编号；

获取在所述管理时间段内每日每个所述人员编号对应的历史异常状态的异常状态数量；

将所述到岗天数、所述历史到岗人数和所述异常状态数量代入预设的异常穿戴值公式，计算管理时间段内每个所述人员编号的异常穿戴值；

所述异常穿戴值公式如下：

其中，所述Z为所述异常穿戴值，所述n为所述到岗天数，所述N_i为第i天员工的异常状态数量。

通过采用上述技术方案，对管理时间段内的历史车间信息进行统计分析通过采用计算管理时间段内每个人员编号的异常穿戴值的方式实现，有利于基于异常穿戴值直观显示出人员编号对应的员工是否遵守安全生产规范，起到了对员工的有效监督的效果。

可选的，所述基于所述异常穿戴值得到每个员工异常穿戴所述安全服的异常概率，包括：

获取每个所述人员编号在所述管理时间段内的平均历史工作时间；

将所述平均历史工作时间和所述异常穿戴值代入预设的异常概率公式，得到每个员工异常穿戴所述安全服的异常概率；

所述异常概率公式如下：

其中，所述B为所述异常概率，所述Z为所述异常穿戴值，所述T为所述平均历史工作时间。

通过采用上述技术方案，异常概率进一步直观显示了人员编号对应的员工遵守安全生产规范的概率，进一步起到了对员工的有效监督的效果。

可选的，所述比较结果包括第一比较结果和第二比较结果；

所述将所述异常概率与预设的概率阈值进行比较，得到比较结果，包括：

判断所述异常概率是否大于所述概率阈值；

若大于，得到所述第一比较结果；

若所述异常概率小于或等于所述概率阈值，得到所述第二比较结果。

通过采用上述技术方案，第一比较结果表示异常概率大于概率阈值，第二比较结果表示异常概率小于或等于概率阈值，第一比较结果与第二比较结果用于直观表示人员编号对应的员工的异常概率。

可选的，所述实时车间信息包括实时到岗人数和员工的安全服实时穿戴状态；所述实时穿戴状态包括实时正常状态和实时异常状态；所述报警信息包括穿戴提示和重点标记提示；

所述基于所述比较结果和所述实时车间信息，生成报警信息，包括：

获取所述实时到岗人数对应的实时人员编号，并将每个所述实时人员编号对应的员工作为待测员工；

若所述待测员工对应的比较结果为第一比较结果，且所述待测员工的实时穿戴状态为所述实时异常状态，生成所述重点标记提示和所述穿戴提示；

若所述待测员工对应的比较结果为所述第二比较结果，且所述待测员工的实时穿戴状态为所述实时异常状态，生成所述穿戴提示；

若所述待测员工对应的比较结果为所述第一比较结果，且所述待测员工的实时穿戴状态为所述实时正常状态，生成所述重点标记提示。

通过采用上述技术方案，实时穿戴状态包括实时正常状态和实时异常状态，所述报警信息包括穿戴提示和重点标记提示，通过将实时穿戴状态与报警信息进行组合，得到生成报警信息的三种情况，有利于管理人员管理；同时便于提示待测员工及时穿戴安全服。

第二方面，本申请提供的一种智能化车间安全生产管理系统采用如下的技术方案：一种智能化车间安全生产管理系统/智能终端，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，所述处理器加载并执行计算机程序时，采用了上述的智能化车间安全生产管理方法。

通过采用上述技术方案，通过将上述的智能化车间安全生产管理方法生成计算机程序，并存储于存储器中，以被处理器加载并执行，从而，根据存储器及处理器制作智能终端，方便使用。

综上所述，本申请具有以下至少一种有益技术效果：

1.采用目标检测算法和数据可视化管理系统对车间内员工是否穿戴安全服进行监督的方式，无需管理人员实地到访并查看摄像头，即可对员工是否穿戴安全服进行实时监督，实现了对车间的智能化生产管理，起到了有效监督车间内的员工穿戴安全工作服的效果。

2.在目标检测算法中引入局部网络模块，用于减小目标检测算法的计算量，进而便于有效提升目标检测算法的运行速度。

3.对管理时间段内的历史车间信息进行统计分析通过采用计算管理时间段内每个人员编号的异常穿戴值的方式实现，有利于基于异常穿戴值直观显示出人员编号对应的员工是否遵守安全生产规范，起到了对员工的有效监督的效果。

附图说明

图1是本申请实施例一种智能化车间安全生产管理方法的其中一种实施方式的流程示意图。

图2是本申请实施例一种智能化车间安全生产管理方法的其中一种实施方式的流程示意图。

图3是本申请实施例一种智能化车间安全生产管理方法的其中一种实施方式的流程示意图。

图4是本申请实施例一种智能化车间安全生产管理方法的其中一种实施方式的流程示意图。

图5是本申请实施例一种智能化车间安全生产管理方法的其中一种实施方式的流程示意图。

图6是本申请实施例一种智能化车间安全生产管理方法的其中一种实施方式的流程示意图。

具体实施方式

以下结合附图1至6对本申请作进一步详细说明。

本申请实施例公开一种智能化车间安全生产管理方法。

参照图1，一种智能化车间安全生产管理方法包括如下步骤：

S101、基于预设的目标检测算法和实时获取的待测图像，获取实时车间信息。

目标检测算法用于在一张图像中检测出物体出现的位置及对应的类别，本实施例中目标检测算法用于检测车间内的员工是否穿戴安全服。具体的，目标检测算法采用YOLOv3算法。

YOLOv3算法包括主干网络和使用特征金字塔融合、加强特征提取并利用卷积进行预测模块，其中，主干网络指主干特征提取网络，使用特征金字塔融合、加强特征提取并利用卷积进行预测模块用于提取多特征层进行目标检测，且共提取三个特征层，三个特征层位于主干网络Darknet-53的不同位置，分别位于中间层、中下层和底层，三个特征层的特征尺寸分别为(52,52,256)、(26,26,512)、(13,13,1024)。在获得三个有效特征层后，利用这三个有效特征层进行FPN层即特征金字塔的构建。特征金字塔可将不同特征尺寸的特征层进行特征融合，有利于提取出更好的特征。

YOLOv3算法包括卷积层、池化层和全连接层。YOLOv3算法的主干网络为Darknet-53网络，且YOLOv3算法使用Resnet残差网络，用于加深特征层数从而提高算法模型的准确程度。在本实施例中，特征金字塔即FPN层采用SPP-NET网络结构的金字塔思想，即在卷积层和全连接层交接的地方添加空间金字塔池化层，以提升主干网络的检测效果。

具体实施中，车间内设有用于拍摄车间图像的测试摄像头，基于测试摄像头实时获取的车间图像即为待测图像。实时车间信息包括实时到岗人数和员工的安全服实时穿戴状态，实时穿戴状态包括实时正常状态和实时异常状态。实时到岗人数指在岗位上的员工的实时数量，安全服指防静电安全工作服，包括帽子、上衣和下衣。安全服实时穿戴状态指员工穿戴安全服的状态；实时正常状态指员工正常穿戴安全服的行为状态；实时异常状态指员工未穿戴安全服或穿戴安全服不合规的行为状态，例如员工仅穿戴上衣和下衣，并未穿戴帽子等。

S102、基于预设的数据可视化管理系统，获取历史车间信息。

当前执行主体为Linux平台，Linux平台上预先构建有数据可视化管理系统和实时检测系统。其中，数据可视化管理系统采用B/S架构，且采用Spring Boot框架进行一站式开发，管理员可在客户端基于数据可视化管理系统查看历史车间信息和实时车间信息。

Spring Boot框架是Java平台上的一种开源应用框架，且可提供具有控制反转特性的容器，B/S架构，又称浏览器/服务器结构，是一种软件系统构造技术。B/S架构包括三层架构，第一层架构为客户端，用于界面引导、接受用户输入并向第二层架构发送服务请求，显示处理结果；第二层架构为WEB服务器即应用服务器，用于进行信息传送即接收用户发送的请求，并向第三层架构即数据库服务器发送访问数据库的请求；第三层架构为数据库服务器，用于存储数据和执行数据逻辑。当数据库服务器接收到WEB服务器的请求后，即进行处理，并将返回的结果发送至WEB服务器，最后WEB服务器将收到的结果转换为HTML文本形式并发送至浏览器，以便于用户查看。

S103、对预设的管理时间段内的历史车间信息进行统计分析，生成每个员工的异常穿戴安全服的异常穿戴值。

管理时间段为预设，且以天为单位，例如30天、15天等。在预设的管理时间段内对员工的安全服的穿戴情况进行统计分析，具体的，在已知管理时间段内每个员工的到岗天数和每个员工在管理时间段内的总的历史异常状态的总次数之后，将总次数除以到岗天数即得到每个员工的异常穿戴值。异常穿戴值指每个员工在管理时间段内平均每日的异常状态次数。

S104、基于异常穿戴值得到每个员工异常穿戴安全服的异常概率。

在得到异常穿戴值后，本实施例中，获取每个员工在管理时间段内的总历史工作时间，总历史工作时间以小时为单位，并将总历史工作时间除以到岗天数，得到平均历史工作时间，此时将异常穿戴值除以平均历史工作时间即可计算得到每个员工异常穿戴安全服的异常概率。异常概率指在管理时间段内每天每小时处于历史异常状态的概率。

S105、将异常概率与预设的概率阈值进行比较，得到比较结果。

比较结果分为两种，第一种为异常概率大于概率阈值；第二种为异常概率小于或等于概率阈值。

S106、基于比较结果和实时车间信息，生成报警信息并显示于数据可视化管理系统上。

报警信息用于提示管理人员对未穿戴安全服或穿戴安全服不合规的员工进行管理。具体的，已知比较结果和实时车间信息，可综合反映出员工在穿戴安全服上的安全意识，例如员工对应的异常概率大于概率阈值，表明员工平时的安全意识较为薄弱，故可对此员工进行重点管理，并将员工对应的员工编码显示于数据可视化管理系统上，便于管理人员进行针对性管理。

本实施例的实施原理为：采用目标检测算法和数据可视化管理系统对车间内员工是否穿戴安全服进行监督的方式，无需管理人员实地到访并查看摄像头，即可对员工是否穿戴安全服进行实时监督，实现了对车间的智能化生产管理，起到了有效监督车间内的员工穿戴安全工作服的效果。

在图1所示实施例的步骤S101中，可对目标检测算法的主干网络进行改进，以提升目标检测算法的运行速度。具体通过图2所示实施方式进行详细说明。

参照图2，基于预设的目标检测算法和实时获取的待测图像，获取实时车间信息，包括如下步骤：

S201、获取目标检测算法的原始残差网络。

由步骤S101可知，目标检测算法的残差网络为Resnet残差网络。

S202、将原始残差网络替换为增强残差网络。

本实施例中，增强残差网络为ResNext残差网络，ResNeXt残差网络相比于Resnet残差网络，可扩展性更强，且在增加算法模型的准确率的同时降低模型的复杂度。

S203、基于待测图像和目标检测算法的增强残差网络，获取实时车间信息。

基于将原始残差网络更换为增强残差网络的目标检测算法，可对待测图像进行更准确的检测，提高对待测图像目标检测的准确率，待测图像经过目标检测算法即可获取得到车间信息。

在将原始残差网络替换为增强残差网络之后，还包括：

在目标检测算法中引入局部网络模块CSPNet，以减小目标检测算法的计算量。

局部网络模块CSPNet为跨阶段部分网络，用于减少目标检测算法的计算量、提高计算速度和精度。

在目标检测算法中引入局部网络模块，用于减小目标检测算法的计算量，进而便于有效提升目标检测算法的运行速度。

在目标检测算法中引入局部网络模块CSPNet之后，还包括：

在目标检测算法中引入损失函数CIOU，以提高增强目标检测算法的算法模型的收敛速度。

模型收敛指算法模型逐渐趋于稳定的过程，在目标检测算法中引入损失函数CIOU，提高增强目标检测算法的算法模型的收敛速度的同时，进一步有效提升了目标检测算法的运行速度。

CIOU损失函数将预测框与真实框之间的欧氏距离作为惩罚项，并通过最小化欧氏距离的方式为预测框提供移动方向，加快模型收敛；同时，CIOU损失函数增加了检测框尺度损失，解决了预测框与真实中心重合时梯度无法有效回传的弊端。CIOU损失函数由于已被广泛使用，故原理在此不做赘述。

本实施方式提供的智能化车间安全生产管理方法，将原始主干网络替换为增强主干网络，以简化目标检测算法的网络结构，从而便于提升目标检测算法的运行速度。

在图1所示实施例的步骤S103中，可根据管理时间段和员工在管理时间段内的历史异常状态的异常状态数量对员工的异常穿戴值进行统计分析。具体通过图3所示实施方式进行详细说明。

参照图3，历史车间信息包括每日的历史到岗人数和每日的员工对安全服的历史穿戴状态；历史穿戴状态包括历史正常状态和历史异常状态；

对预设的管理时间段内的历史车间信息进行统计分析，生成每个员工的异常穿戴安全服的异常穿戴值，包括如下步骤：

S301、获取管理时间段内每个员工的到岗天数。

到岗天数可基于员工进入车间的考勤情况得到，当前执行主体可基于预设的考勤系统获取每个员工在管理时间段的到岗天数。

S302、获取在管理时间段内每日历史到岗人数对应的人员编号。

举例说明，若在管理时间段内的A日的历史到岗人数为3个，分别为A员工、B员工和C员工，则根据考勤系统获取A员工、B员工和C员工的人员编号。具体的，每个员工的人员编号均具有唯一性，即一个员工对应唯一一个人员编号。

S303、获取在管理时间段内每日每个人员编号对应的历史异常状态的异常状态数量。

异常状态数量指员工在某日被目标检测算法检测到的未穿戴安全服或穿戴安全服不合规的次数，例如，若A员工在管理时间段的B日被目标检测算法检测到存在3次未穿戴安全服的情况，则A员工在B日的异常状态数量为3。

S304、将到岗天数、历史到岗人数和异常状态数量代入预设的异常穿戴值公式，计算管理时间段内每个人员编号的异常穿戴值。

异常穿戴值公式如下：

其中，Z为异常穿戴值，n为到岗天数，N_i为第i天员工的异常状态数量。

基于步骤S301至S303举例说明，设管理时间段为3天，若A员工在管理时间段内的到岗天数为2天，分别为a日和b日，a日为第一天，b日为第二天，且a日A员工的异常状态数量为2，b日A员工的异常状态数量为4，则

故A员工的异常穿戴值为3。其余每个员工以此类推。

本实施方式提供的智能化车间安全生产管理方法，对管理时间段内的历史车间信息进行统计分析通过采用计算管理时间段内每个人员编号的异常穿戴值的方式实现，有利于基于异常穿戴值直观显示出人员编号对应的员工是否遵守安全生产规范，起到了对员工的有效监督的效果。

在图1所示实施例的步骤S104中，在得到员工的异常穿戴值后，可基于异常穿戴值计算员工异常穿戴安全服的异常概率。具体通过图4所示实施方式进行详细说明。

参照图4，基于异常穿戴值得到每个员工异常穿戴安全服的异常概率，包括如下步骤：S401、获取每个人员编号在管理时间段内的平均历史工作时间。

平均历史工作时间为每个员工在管理时间段内的总考勤时间除以到岗天数，其中总考勤时间可通过考勤系数获取。平均历史工作时间以小时为单位。

S402、将平均历史工作时间和异常穿戴值代入预设的异常概率公式，得到每个员工异常穿戴安全服的异常概率。

异常概率公式如下：

其中，B为异常概率，Z为异常穿戴值，T为平均历史工作时间。

举例说明，若A员工的异常穿戴值为3，A员工的平均历史工作时间为6小时，则异常概率为

本实施方式提供的智能化车间安全生产管理方法，异常概率进一步直观显示了人员编号对应的员工遵守安全生产规范的概率，进一步起到了对员工的有效监督的效果。

在图1所示实施例的步骤S105中，比较结果包括两种，第一种为异常概率大于概率阈值，第二种为异常概率小于或等于概率阈值。具体通过图5所示实施方式进行详细说明。

参照图5，比较结果包括第一比较结果和第二比较结果；

将异常概率与预设的概率阈值进行比较，得到比较结果，包括如下步骤：

S501、判断异常概率是否大于概率阈值。

若员工对应的异常概率大于概率阈值，表明员工平时的安全意识较为薄弱，可对此员工进行重点管理。

S502、若大于，得到第一比较结果。

S503、若异常概率小于或等于概率阈值，得到第二比较结果。

举例说明，若概率阈值为30％，若A员工的异常概率为50％，由于异常概率大于概率阈值，此时得到第一比较结果；若B员工的异常概率为10％，由于异常概率小于概率阈值，此时得到第二比较结果。

本实施方式提供的智能化车间安全生产管理方法，第一比较结果表示异常概率大于概率阈值，第二比较结果表示异常概率小于或等于概率阈值，第一比较结果与第二比较结果用于直观表示人员编号对应的员工的异常概率。

在图1所示实施例的步骤S106中，可将报警信息划分为穿戴提示和重点标记提示，并根据实时车间信息和比较结果生成不同的报警信息。具体通过图6所示实施方式进行详细说明。

参照图6，实时车间信息包括实时到岗人数和员工的安全服实时穿戴状态；实时穿戴状态包括实时正常状态和实时异常状态；报警信息包括穿戴提示和重点标记提示；

基于比较结果和实时车间信息，生成报警信息，包括如下步骤：

S601、获取实时到岗人数对应的实时人员编号，并将每个实时人员编号对应的员工作为待测员工。

在第一实施例中，通过车间内预设的人脸识别摄像头对到岗的员工进行人脸识别并获取实时人员编号；在第二实施例中，通过考勤系统获取车间内每个到岗的员工的实时人员编号。

S602、若待测员工对应的比较结果为第一比较结果，且待测员工的实时穿戴状态为实时异常状态，生成重点标记提示和穿戴提示。

若A待测员工对应的比较结果为第一比较结果，表明A待测员工的历史的安全意识较薄弱，若A待测员工的实时穿戴状态为实时异常状态，此时在数据可视化管理系统中生成重点标记提示，用于对A待测员工进行重点标记，可通过人员编号区分颜色或人员编号加粗等设置使管理人员对A待测员工进行重点关注，且生成穿戴提示，用于提示管理人员及时对A待测员工进行管理并提示其正确穿戴安全服。

S603、若待测员工对应的比较结果为第二比较结果，且待测员工的实时穿戴状态为实时异常状态，生成穿戴提示。

若B待测员工对应的比较结果为第二比较结果，表明B待测员工的历史的安全意识较强，若B待测员工的实时穿戴状态为实时异常状态，表明B待测员工的实时异常状态为偶然行为，此时在数据可视化管理系统中生成穿戴提示，用于提示管理人员及时对B待测员工进行管理并提示其正确穿戴安全服。

S604、若待测员工对应的比较结果为第一比较结果，且待测员工的实时穿戴状态为实时正常状态，生成重点标记提示。

若C待测员工对应的比较结果为第二比较结果，表明C待测员工的历史安全意识较薄弱，若C待测员工的实时穿戴状态为实时正常状态，此时在数据可视化管理系统中生成重点标记提示，用于对C待测员工进行重点标记，可通过人员编号区分颜色或人员编号加粗等设置使管理人员对C待测员工进行重点关注。

若待测员工对应的比较结果为第二比较结果，且待测员工的实时穿戴状态为实时正常状态，此时无动作。

本实施方式提供的智能化车间安全生产管理方法，实时穿戴状态包括实时正常状态和实时异常状态，报警信息包括穿戴提示和重点标记提示，通过将实时穿戴状态与报警信息进行组合，得到生成报警信息的三种情况，有利于管理人员管理；同时便于提示待测员工及时穿戴安全服。

本申请实施例还公开一种智能化车间安全生产管理系统，包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序，其中，处理器执行计算机程序时，采用了上述实施例中的智能化车间安全生产管理方法。

以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (9)

1.一种智能化车间安全生产管理方法，其特征在于，包括：

基于预设的目标检测算法和实时获取的待测图像，获取实时车间信息；

基于预设的数据可视化管理系统，获取历史车间信息；

对预设的管理时间段内的所述历史车间信息进行统计分析，生成每个员工的异常穿戴安全服的异常穿戴值；

基于所述异常穿戴值得到每个员工异常穿戴所述安全服的异常概率；

将所述异常概率与预设的概率阈值进行比较，得到比较结果；

基于所述比较结果和所述实时车间信息，生成报警信息并显示于所述数据可视化管理系统上。

2.根据权利要求1所述的一种智能化车间安全生产管理方法，其特征在于，所述基于预设的目标检测算法和实时获取的待测图像，获取实时车间信息，包括：

获取所述目标检测算法的原始残差网络；

将所述原始残差网络替换为增强残差网络；

基于所述待测图像和所述目标检测算法的所述增强残差网络，获取所述实时车间信息。

3.根据权利要求2所述的一种智能化车间安全生产管理方法，其特征在于，在所述将所述原始残差网络替换为增强残差网络之后，包括：

在所述目标检测算法中引入局部网络模块CSPNet，以减小所述目标检测算法的计算量。

4.根据权利要求2所述的一种智能化车间安全生产管理方法，其特征在于，在所述目标检测算法中引入局部网络模块CSPNet之后，包括：

在所述目标检测算法中引入损失函数CIOU，以提高所述增强目标检测算法的算法模型的收敛速度。

5.根据权利要求1所述的一种智能化车间安全生产管理方法，其特征在于，所述历史车间信息包括每日的历史到岗人数和每日的员工对安全服的历史穿戴状态；所述历史穿戴状态包括历史正常状态和历史异常状态；

所述对预设的管理时间段内的所述历史车间信息进行统计分析，生成每个员工的异常穿戴安全服的异常穿戴值，包括：

获取所述管理时间段内每个员工的到岗天数；

获取在所述管理时间段内每日所述历史到岗人数对应的人员编号；

获取在所述管理时间段内每日每个所述人员编号对应的历史异常状态的异常状态数量；

将所述到岗天数、所述历史到岗人数和所述异常状态数量代入预设的异常穿戴值公式，计算管理时间段内每个所述人员编号的异常穿戴值；

所述异常穿戴值公式如下：

其中，所述Z为所述异常穿戴值，所述n为所述到岗天数，所述N_i为第i天员工的异常状态数量。

6.根据权利要求5所述的一种智能化车间安全生产管理方法，其特征在于，所述基于所述异常穿戴值得到每个员工异常穿戴所述安全服的异常概率，包括：

获取每个所述人员编号在所述管理时间段内的平均历史工作时间；

将所述平均历史工作时间和所述异常穿戴值代入预设的异常概率公式，得到每个员工异常穿戴所述安全服的异常概率；

所述异常概率公式如下：

其中，所述B为所述异常概率，所述Z为所述异常穿戴值，所述T为所述平均历史工作时间。

7.根据权利要求1所述的一种智能化车间安全生产管理方法，其特征在于，所述比较结果包括第一比较结果和第二比较结果；

所述将所述异常概率与预设的概率阈值进行比较，得到比较结果，包括：

判断所述异常概率是否大于所述概率阈值；

若大于，得到所述第一比较结果；

若所述异常概率小于或等于所述概率阈值，得到所述第二比较结果。

8.根据权利要求7所述的一种智能化车间安全生产管理方法，其特征在于，所述实时车间信息包括实时到岗人数和员工的安全服实时穿戴状态；所述实时穿戴状态包括实时正常状态和实时异常状态；所述报警信息包括穿戴提示和重点标记提示；

所述基于所述比较结果和所述实时车间信息，生成报警信息，包括：

获取所述实时到岗人数对应的实时人员编号，并将每个所述实时人员编号对应的员工作为待测员工；

若所述待测员工对应的比较结果为第一比较结果，且所述待测员工的实时穿戴状态为所述实时异常状态，生成所述重点标记提示和所述穿戴提示；

若所述待测员工对应的比较结果为所述第二比较结果，且所述待测员工的实时穿戴状态为所述实时异常状态，生成所述穿戴提示；

若所述待测员工对应的比较结果为所述第一比较结果，且所述待测员工的实时穿戴状态为所述实时正常状态，生成所述重点标记提示。

9.根据权利要求1所述的一种智能化车间安全生产管理系统，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，其特征在于，所述处理器加载并执行计算机程序时，采用了权利要求1至8中任一项所述的方法。

Images